Die Analyse von Bohrschlamm während der Bohrung, abgesehen von der Kernanalyse, ist eine der Möglichkeiten, die gebohrte Gesteine zu beobachten und zu charakterisieren. Es liefert Echtzeitinformation, wie Gesteinstyp, Farbe, Textur (Korngröße, Form und Sortierung), Zementmenge, Vorhandensein von Fossilien, Porosität und Permeabilität, die für die Meißeltiefeкоkorrektur und die Lithologiekorrelation benötigt wird. Die korrekte Parametermessung (bzw. Form und Größenverteilung) verbessert die Bohrleistung und vorbeugt mögliche Probleme und Komplikationen. Das Vorhandensein von Bohrschlamm und Auskesslungen im Ringraum erhöht die äquivalente Zirkulationsdichte, was zu höheren Druckverlusten führt. Sie sind auch eine der Ursachen für die Reduzierung der Bohrgeschwindigkeit wegen des Chip-Hold-Down-Effekts. Ihre Form ist die Voraussetzung für wahrscheinliche Ursachen der Bohrlochinstabilität und der Qualität der Filterkruste. In den letzten Jahrzehnten verschiedene Techniken wurden verwendet, um die Bohrschlammparameter zu erhalten, wie z. B. ihre relative Menge, Partikelgrößenverteilung, Größe und Form. Sie umfassen modernste Technologien, die auf Computer-Vision-Technologie mit Algorithmen für maschinelles Lernen als Software basieren. Eine reihe Anzahl solcher Techniken ist bereits auf dem Markt erhältlich und hat ihre Begrenzungen und Vorteile. Basierend auf diesem Prinzip, plant OMV den Bau eines eigenen intelligenten und kostengünstigen Systems, mit dem die Bohrschlammparameter in Echtzeit ermittelt werden können. Das gebaute System sollte unter dem Gesichtspunkt der proaktiven Problemverhütung, der Reduzierung der unproduktiven Zeit durch Verhinderug von Bohrlochkomplikationen und der Vereinfachung mühevoller Arbeit des Feldgeologs machbar sein. Nach sorgfältiger Prüfung und Untersuchung der Mängel der jüngsten Technologien in Bezug auf die Auskesslunganalyse, wird in dieser Arbeit ein Konzeptentwurf für die Technologie der automatisierten Auskesslunganalyse vorgeschlagen. Das System ist in Hardware- und Softwareteile unterteilt. Der erste Teil umfasst ein Zirkulationssystem zum Waschen der Auskesslungen sowie die Kamera- und Blitzeinrichtung. Die Kamera wird an den Laptop mit laufender Software im Hintergrund angeschlossen. Die Software ist auf dem Convolutional Neural Network (CNN) basiert. Dieser Algorithmus analysiert die erfassten Bilder und liefert die Form, Größe und Lithologie der Auskesslungen als Ausgabe. Darüber hinaus wird eine Machbarkeitsstudie durchgeführt, in der ein Etwapreis des vorgeschlagenen Systems geschätzt wird.